.png){kind=icon}
返回
Evolving voices based on temporal Poisson factorisation
.png){kind=icon}
OA
AI
DOI：10.1177/1471082X251355682.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
世界在不断演变，用于讨论演讲中话题的词汇也在随之变化。分析超过30年的政治演讲数据需要使用灵活的主题模型来揭示潜在主题及其随时间变化的流行程度，以及主题词汇的变化。我们提出将时序泊松因子分解（TPF）模型作为泊松因子分解模型的扩展，用于建模基于词袋假设从带时间戳的文本文档中获得的稀疏计数数据矩阵。我们讨论并实证比较了不同模型规格，这些规格涉及时变潜在变量，包括一阶灵活自回归结构或随机游走。估计基于变分推断，其中我们考虑使用文档批处理结合坐标上升更新与自动微分。提出了合适的变分族以简化推断。我们将使用独立单变量变分分布对时变潜在变量获得的结果与使用多变量变体获得的结果进行比较。我们详细讨论了在分析1981-2016年美国参议院18次会议的演讲时TPF模型的结果。
Keyword:
Auto-regressive process
Poisson factorisation
time-varying
topic model
variational inference
期刊
S
IF:
1
论文数:
17
被引数:
0
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容